Machine Zygote: Causal Biparental Heredity Before Learning in a Germline--Soma Artificial Agent

기술 요약: 머신 자이고트(Machine Zygote): 학습 전 생식선-체세포 인공 에이전트에서의 인과적 양부모 유전

문제 제기
인공 생명 및 진화 로봇 공학이 발달 인코딩, 로봇 번식, 그리고 상속된 컨트롤러에 대한 연구 방향을 확립해 왔음에도 불구하고, 특정 실험적 질문은 여전히 해결되지 않은 상태로 남아 있다: 신생 인공 에이전트가 학습이 일어나기 전, 측정 가능한 **양부모 유전(biparental heredity)**을 나타낼 수 있는가? 또한, 이 의존성이 단순히 부모-자손 간의 유사성으로부터 추론된 것이 아니라 인과적으로 분리될 수 있는가? 기존 시스템들은 종종 유전된 상태를 출생 후 적응과 혼동하거나, 동일한 배경 하에서 어떤 부모의 기여가 특정 표현형 변화를 일으키는지 격리하지 못하는 생성적 매핑에 의존한다. 본 연구는 통제된 계산 환경 내에서 유전, 발달, 확률적 변이, 그리고 학습을 분리해야 할 필요성을 다룬다.

방법론
본 연구는 **머신 자이고트(Machine Zygote)**를 도입하며, 이는 생식선-체세포 분리를 구현하도록 설계된 계산 아키텍처이다. 시스템은 다음과 같은 구성 요소로 정의된다:

• 생식선 표현(Germline Representation): 생식선($G$)은 정규화된 102차원 벡터이다. 이는 99개의 상염색체 로커스(loci)와 3개의 모계 특이적 로커스(세포질 기여와 유사함)를 포함한다. 네 명의 고정된 창시자(A–D)는 서로 구별되면서도 규격이 일치하도록 실베스터 하다마드 구성(Sylvester Hadamard construction)을 통해 생성된다.
• 재조합 및 자이고트 형성: 두 부모의 생식선은 독립적으로 돌연변이($\xi \sim N(0, \sigma^2_{mut})$)를 거친 후 자이고트($Z$)로 재조합된다. 재조량 마스크, 돌연변이 벡터, 그리고 발달 노이즈 시드는 '배경(background)'으로서 저장되어 매칭된 배경 하의 개입을 가능하게 한다.
• 발달 조절(Developmental Regulation): 자이고트는 초기 일반적 8-모듈 체세포($U$)에 작용하는 발달 조절 시스템을 매개한다. 발달은 조절 행렬($W$), 감쇠 상수, 편향(bias), 그리고 모포젠(morphogen) 민감도를 포함하는 미분 방정식에 의해 제어된다. 시스템은 고정된 기간 동안 오일러-마루야마(Euler–Maruyama) 방법을 통합한다.
• 체세포 및 표현형 측정: 결과물인 체세포는 발달 직후에 동결된다. 비유전적인 고정된 판독기(readout)가 동결된 조절 상태를 차동 구동 바디 추상화를 위한 운영 컨트롤러로 매핑한다.
• 실험 설계:
  • H1 (다이엘, Diallel): 부모의 요인적 의존성을 테스트하기 위해 640개의 자손(셀당 40개)을 포함하는 사전 등록된 $4 \times 4$ 균형 다이엘을 구성한다.
  • H2 (발달의 필연성): 순환, 확산, 노이즈를 제거하는 준정적 절제(quasistatic ablation)를 수행하여 역동적인 발달이 양부모 구조를 위해 필수적인지 테스트한다.
  • H3 (학습 전): 모든 평가는 고정된 컨트롤러와 함께 수행되며, 학습, 가소성 또는 적응은 허용되지 않는다.
  • H4 (초월성, Transgression): 재조합이 부모 클론 라인의 범위를 초과하는 자손을 생성하는지 테스트한다.
  • H5 (인과적 개입): 가장 강력한 테스트로, 재조합 마스크, 돌연변이 벡터, 노이즈 시드를 고정한 상태에서 단 하나의 부모 생식선만을 교체하는 60회의 매칭된 배경 개입을 포함한다.
• 측정 지표: 6가지 신생 행동 형질을 측정한다: 평균 속도, 우세 보행 주파수, 부호가 있는 회전 편향(signed turning bias), 섭동 회복 시간, 진동 코히어런스(oscillator coherence), 그리고 최대 탐사 반경.

주요 결과

1. 양부모 의존성 (H1): $4 \times 4$ 다이엘에서, 홀름 교정(Holm correction) 적용 후에도 모계 및 부계의 정체성이 6가지 중 5가지 신생 형질(속도, 보행 주파수, 회전 편향, 코히어런스, 탐사 반경)에 유의미한 영향을 미쳤다. 회복 시간은 약한 부모 주효과를 보였다. 모델링된 부모 분산 분율(PDVF)은 유의미한 형질에 대해 36%에서 53% 사이였다.
2. 인과적 개입 (H5): 매칭된 배경 치환에서, 단일 부모 생식선을 교체했을 때 표현형 변화가 동일 부모의 재돌연변이 또는 재발달 대조군에 의해 유도된 변이를 유의미하게 초과했다. 이는 부모의 정체가 단순히 행동과 상관관계가 있는 것이 아니라, 고정된 확률적 조건 하에서 행동을 인과적으로 결정함을 확인시켜 준다.
3. 초월적 자손 (H한): 재조합은 속도(클론의 경우 1.2% 대비 15.0%)와 보행 주파수(0% 대비 17.5%)에 대해 통계적으로 유의미한 초월적 자손의 과잉을 생성했다. 이는 재조합이 부모의 경계를 넘어서는 새로운 표현형을 생성할 수 있음을 나타낸다.
4. 발달 역동성 (H2): 역동적인 발달이 양부모 유전을 위해 필수적이라는 가설은 지지되지 않았다. 준정적 절제(역동성을 제거함)는 평균 다변량 표현형 분포(중심점 차이가 유의미하지 않음)를 유지했으나, 부모 분산 구조를 변화시켰다. 이는 역동성이 분산을 조절할 수는 있지만, 이 아키텍처에서 평균 양부모 표현형을 생성하는 데 엄격히 요구되는 것은 아님을 시사한다.
5. 강건성: 주요 요인 효과는 20개의 파라미터 지점(결합 척도, 기간, 노이즈, 돌연변이 진폭)에 대한 스윕(sweep)을 통해 회복되었다.

의의 및 주장
본 논문은 자신의 기여를 생물학적 동등성이나 물리적 유전성에 대한 주장이 아닌, 방법론적 및 아키텍처적 측면으로 명시적으로 프레임화한다.

• 인과적 양부모 학습 전 유전: 본 연구는 특정 시뮬레이션 내에서 두 부의 생식선 채널이 학습이 일어나기 전 신생 행동 표현형을 공동으로 결정함을 입증한다. 인과적 연결은 단일 부모의 생식선을 변경했을 때 표현형이 변화하는 매칭된 배경 개입을 통해 입증된다.
• 개입 중심 프레임워크: 주요 가치는 유전, 발달, 확률적 변이, 그리고 출생 후 학습을 분리하는 재현 가능한 벤치마크를 제공한다는 점이다. 이는 균형 잡힌 다이엘과 명시적인 생식선-체세포 분리를 사용하여 인공 에이전트의 인과적 유전을 테스트하기 위한 형식을 제공한다.
• 제한된 범위: 저자는 이것이 물리적 로봇이 아닌 계산 연구임을 명확히 한다. "머신 자이고트"라는 용어는 생물학적 배아 발생이 아니라 재조합에 의해 형성된 계산적 객체를 의미한다. 본 연구는 물리적 유전, 생물학적 유전학, 또는 자율적 진화를 확립하는 것이 아니다.
• 발달적 필연성의 반박: 테스트된 순환 역동성이 평균 양부모 표현형에 필수적이지 않다는 유의미한 부정적 결과는, 복잡한 개체 발생이 이 문맥에서 상속된 구조를 생성하기 위한 전제 조건이라는 가정에 도전한다.

본 논문은 결론적으로, 인공 배아 발생을 발명하는 것은 아니지만, 세대 간 기억 및 인공 에이전트의 발달 과정 진화에 관한 향후 연구를 위한 더 엄격하고 개입 중심적인 출발점을 제공한다고 밝힌다.